Numpy入门（一）基础

<center> Numpy基础 </center>

tip：这个使用的是jupyter自动生成的markdown，有些是打印的数据

1 Numpy数组对象

import numpy as np

# 生成0到小于5的一维数组
a = np.arange(6)

a

array([0, 1, 2, 3, 4, 5])

a.dtype

dtype('int32')

# 把数据改变成2行3列
a.reshape(2,3)

array([[0, 1, 2],
       [3, 4, 5]])

a.shape

(6,)

# 维度
a.ndim

1

2 创建多维数组

m = np.array([np.arange(2),np.arange(2)])

m

array([[0, 1],
       [0, 1]])

m.shape

(2, 2)

m[0,0]

0

每一种数据类型均有对应的类型转换函数,例如:

np.float64(42)

42.0

3 数据类型对象

Numpy数组中每个元素均为相同的数据类型

m.dtype.itemsize

4

4 字符编码

Numpy 可以使用字符编码来表示数据类型,例如f表示单精度浮点数

np.arange(7,dtype='f')

array([0., 1., 2., 3., 4., 5., 6.], dtype=float32)

5 一维数组的索引和切片

a = np.arange(9)

a

array([0, 1, 2, 3, 4, 5, 6, 7, 8])

# 索引从3到6
a[3:7]

array([3, 4, 5, 6])

# 逆序数组
a[::-1]

array([8, 7, 6, 5, 4, 3, 2, 1, 0])

6 多维数组的索引和切片

b = np.arange(24).reshape(2,3,4)

b

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

b[0,0,0]

0

# 可以理解成取x轴上的所有数
b[:,0,0]

array([ 0, 12])

# 取所有
b[:,...]

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

7 改变数组的维度

b

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

# 转成一维,返回的是视图
b.ravel()

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

# 转成一维,返回的是拷贝
b.flatten()

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

b.shape

(2, 3, 4)

# 转置
b.transpose()

array([[[ 0, 12],
        [ 4, 16],
        [ 8, 20]],

       [[ 1, 13],
        [ 5, 17],
        [ 9, 21]],

       [[ 2, 14],
        [ 6, 18],
        [10, 22]],

       [[ 3, 15],
        [ 7, 19],
        [11, 23]]])

resize 会直接修改数组,而其他的操作会不会受到影响

b.resize((2,12))

b

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])

8 数组组合

Numpy 数组组合有水平组合,垂直组合和深度组合等多种组合方式,我们将使用vstack,dstack,hstack,column_stack,row_stack以及concatenate函数来完成数组的组合

a = np.arange(9).reshape(3,3)

b = 2*a

a

array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

b

array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

np.hstack((a,b))

array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

# 如果axis=1则是对行操作，为0对列操作
np.concatenate((a,b),axis=1)

array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

np.vstack((a,b))

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

np.concatenate((a,b),axis = 0)

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

a.shape

(3, 3)

b.shape

(3, 3)

np.dstack((a,b))

array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

np.dstack((a,b)).shape

(3, 3, 2)

oned = np.arange(2)

twice_oned = 2*oned

oned

array([0, 1])

twice_oned

array([0, 2])

np.column_stack((oned,twice_oned))

array([[0, 0],
       [1, 2]])

9 数组的分割

Numpy数组可以进行水平,垂直或深度分割,相关的函数有hsplit,vsplit,dsplit和split.我们可以将数组分割成相同大小的子数组,也可以指定原数组中需要分割的位置.

a

array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

np.hsplit(a,3)

[array([[0],
        [3],
        [6]]), array([[1],
        [4],
        [7]]), array([[2],
        [5],
        [8]])]

np.vsplit(a,3)

[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

10 数组的属性

a.ndim

2

a.size

9

a.itemsize

4

a.nbytes

36

a.T

array([[0, 3, 6],
       [1, 4, 7],
       [2, 5, 8]])

11 数组的转换

可以使用tolist函数将Numpy数组转换成Python列表

a.tolist()

[[0, 1, 2], [3, 4, 5], [6, 7, 8]]

astype函数可以在转换数组时指定数据类型

a.astype(np.int32)

array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])